企业发展滞缓，还不是因为踩了这四个数据大坑

姓名：张瀚铎      学号：17021211233

转载自：大数据 http://bigdata.evget.com/post/1937.html

【嵌牛导读】：在这篇文章中，Richardson罗列了全行业数据团队应该警惕的四大常见错误，并且介绍了公司负责人应该如何避免这些错误、合理利用数据来实现战略目标。其中，她特别介绍了自己依照之前领导多年的产品团队，来组建现在这个团队的过程。另外，她还提出，在打造新一代产品时，要多注意简单、连贯和共识，切勿一味追求潮流。

【嵌牛鼻子】：大数据   人工智能  云计算  物联网

【嵌牛提问】：企业发展滞缓，还不是因为踩了这四个数据大坑

【嵌牛正文】：

Amanda Richardson是“今夜特价酒店”服务供应商HotelTonight的数据和战略部门主管，曾经担任过该公司的产品副总裁。

在多年工作中，Amanda Richardson一直专注于数据研究。她发现，越来越多的公司会利用数据来进行决策。但同时，她也发现，在各种数据趋势和方法中，低效与误导问题非常严重，甚至可能会让公司错失很多机遇。

在这篇文章中，Richardson罗列了全行业数据团队应该警惕的四大常见错误，并且介绍了公司负责人应该如何避免这些错误、合理利用数据来实现战略目标。其中，她特别介绍了自己依照之前领导多年的产品团队，来组建现在这个团队的过程。另外，她还提出，在打造新一代产品时，要多注意简单、连贯和共识，切勿一味追求潮流。

错误一：首先考虑衡数据指标而没有考虑发展目标

现如今，数据获取已经比以往容易多了。对于大多数公司来说，收集、储存和分析数据，也已经成为日常运营中的惯例。但往往，这些公司根本就不知道这些数据有什么用，只是漫无目的地搜罗和分析，缺乏明确的观点想法，盲目追逐一个不断变化的目标。

Richardson表示：“在最开始的时候，你需要一个有待回答的具体问题，以及一个有待验证的假设。通常情况下，一款新产品上线之后，大家会习惯地问它表现如何。但很少有人会说：’我们的产品目标就是将甲转化成乙，或者尽量扩大漏斗顶部范围等等。’”

如果没有一个明确的、大家都认可的目标，那么当新数据出现时，就会存在功亏一篑、从头再来的风险。就以HotelTonight为例，它有一项功能可以让用户把搜索结果中最满意的酒店标记出来，以便先于其他酒店打电话询问确认。但是，有人就问了，这项功能是专门为高级用户服务，还是为不喜欢推荐就想查看某家特定酒店的新用户服务的呢?又或者，是专门为那些计划旅行、需要仔细挑选的用户服务的?这些都是有可能的，但能够决定成功与否的关键衡量指标是什么?这个问题如果不搞清楚，那将会带来很多后续麻烦。

提高数据获取和利用效率的关键，就在于要清清楚楚列出自己想实现的目标，以及究竟应该如何去定义成功。当然，真正要做到远比嘴上说说困难得多。大方案和大目标，大家都同意。可一旦说到细节和具体目标，那可就没几个人清楚了。

因此，一定要明确所要追求的目标，以及追求过程中的所有细节。不妨用一张计分卡来衡量目标实现的具体进展。Richardson引用高效目标设立的经典速记法说道：“在每个项目开始之前，你都需要把目标和大致流程手写下来。总结起来就是五点，即具体、可衡量、可实现、相关和及时。”

说到设立最为重要的目标，她明确表示：“这是初创企业创始人最为关键的职责之一。公司领导人应该扛起大旗，带领大家为实现最高目标而奋斗。那么，究竟应该借助哪些最适合自家公司的方法来实现这一目标，就是下面团队的工作了。另外，团队负责人还需要搞清楚团队中每位成员的不同需求。其中，对于早期阶段公司来说，如果要是把所有这些战略目标制定工作，都留给产品经理的话，那就不太公平了。”

在实现目标的过程中，我们很容易会分心、出现方向偏差或者错误地调整计划。而避免这种现象出现的最佳方式，就是把自己设立的目标清晰地写在纸上。比如说，你现在定的目标，是将首次用户的比例提高10%。但现实是，原有重复用户的比例增加了30%。这时候，你一看到这个数字，就会非常高兴，认为自己实现了30%的重复率目标。发现问题了吗?你其实搞错了自己的目标，因为真正要实现的，是10%的首次用户提高。在这个过程中，你的关注重点遭到了转移。

至于原因，其实也不难理解。毕竟压力太大了，首席执行官需要用数据告诉大家公司已经取得了成功，以鼓励大家继续努力。如果团队正处于扩张阶段，那么需要养活的人就实在太多了，压力也就可想而知。当然，不管再怎么说，他们还是需要在目标这个问题上保持诚实。

对于最高层次目标，以及用来衡量该目标的诸多指标，必须要尽可能精确。不过，这也不是说，让你对过程中出现的其他数据和观点视而不见。只是让你保证自己的关注重点，放在事先设立好的目标和主要数据上。

错误二：过度追求个性化和私人定制

对于许多初创企业来说，解决用户所遇问题的一种最佳方式，就是针对他们的具体需求提供个性化服务，比如说私人定制的主屏幕或者推荐服务。亚马逊和Facebook这类利用此策略取得成功的大型企业，就是最好的案例。因此，你会认为，个性化服务就一定能带来好处。但其实，真是这样吗?

就目前看来，并不一定。在发展早期，公司领导人所做的每一个决定，都需要提前考虑机会成本的问题。个性化服务的开发，需要投入大量时间和人力。从许多角度来看，这就相当于开发一项全新功能。但这项功能，是不是你所需要的呢?就产品本身而言，是不是有意义呢?

就算答案是肯定的，那你仍然需要仔细斟酌，不能太过急躁。一般情况下，高效开发个性化产品，需要大量已知数据作为支撑。对于较为年轻的公司来说，肯定是没有足够时间来收集如此大量数据的。

Richardson介绍说：“我曾经见过不少尚未正式成立的初创企业的负责人，要知道，这些企业的用户数量还不到100人，可他们却说要开发个性化的产品和服务，我就在想他们究竟要针对什么内容提供个性化服务呢?更为重要的是，他们为什么要这么做呢?想要解决的问题又是什么呢?大多数情况下，要么是想要博头条，要么是某位不明智的董事会成员认为个性化是取得成功的秘诀。”

这不是说Richardson不赞成个性化，毕竟HotelTonight用户体验中最为关键的元素，就是个性化的搜索结果。只是因为搞清楚这些用户对于个性化服务究竟有着什么样的需求，需要以大量数据为基础，是一件非常费时费力的事情。

是否需要开发个性化服务，以及应该什么时候着手去开发，这两个问题是没有唯一或者固定答案的。Richardson个人的建议，还是像上文说的一样，不要搞得太复杂，先确定一个需要实现的目标或者需要验证的假设。

对于某些初创企业来说，个性化服务或许与宏观层面上的任务目标有着紧密联系，这时候就需要早早将其提上日程。而对于其他初创企业来说，个性化开发或许永远都不需要，因而也就不值得投入资金。举个例子，如果你现在提供的是一款照片流应用程序，那确实是该考虑这个问题。因为在这一领域，个性化是非常核心的竞争要素，能够帮助你在众多竞争对手中脱颖而出。但如果你现在提供的是一款B2B支出管理软件，那就没必要在个性化服务这个问题上浪费钱财了。

总而言之，过度关注个性化，将会产生非常大的机会成本，它与实际开发时间之间是一场公平交易。也就是说，如果你在个性化问题上花浪费了太多时间，那在其他更为重要的增长机遇上花费的时间必然就会减少，取得成功的可能性也就必然会降低。其实，你的数据团队可以负责回答一些重要的商业问题，比如究竟哪些因素能够更好地驱动用户转化。

错误三：花大价钱雇用高度专业的数据科学家

如果你认为自家公司需要聘用一位高度专业的数据科学家来完成各种分析工作，Richardson还是建议你三思而后行。用她的话说：“就我个人而言，数据科学说到底其实就是一系列技能，而不是一份工作。同样地，我也会说，分析和战略是一系列技能，而不是一份工作，这是一样的道理。在发展早期，团队中的每个人都必须要具备战略性思维，同时也必须要具备分析的能力。”

她借助最近一部电影《隐藏人物》来解释了这个问题。这部电影主要讲述了NASA早期研发任务背后的女性数学家的故事。那些人以前有一个称号，就是“计算机”，因为在过去她们就是专注于复杂计算的唯一一群人。然而现在人人都可以计算，这已经不再是一份工作，相反已经成为通用技能中的一部分。这个世界就是这样一步一步发展演化的。而我们现在接触的，其实就是所谓的数据科学。按理说，应该要有越来越多的人，主动承担并且有能力去利用数据分析作出决策。

高效的数据科学，不仅需要统计和计算，还需要对市场以及自家公司在市场中的位置和作用有足够的了解，找到重要的问题所在，并且为这些问题找到有意义的答案。另外，还有一点也同样重要，那就是扎实的编程技巧。绝大数情况下，公司在雇佣这方面人才时，就只会考虑统计技能。而这个人平时是接触不到公司那些带有商业性质的内容的。这样一来，这位所谓的数据科学家，对公司的运作模式是一无所知。因而，各种数据统计分析结果和推荐内容，也就过于理论，与真实情况之间的相关性就很小。

也就是说，数据科学家只有技术是远远不够的，还必须要有敏锐的商业嗅觉。否则，就算他的技术活干得有多么出色，终究还是无法取得真正的成功。他们既没有时间也没有机会，去与工程师、项目经理以及拿到手的营销线索进行互动。因为他们根本不知道要去找些什么，而且也没有那个权利去提出心中有疑问的那些问题。

就说HotelTonight，在我们看来的价值最高的那些用户，通常都不是在头两个星期就顺利转化的。事实上，他们都是在安装之后的半个月到一个月之内才转化的。

与此同时，聘请高度专业的数据科学家，还存在一个问题。如果说遇到了某个难题或者想要某个结果，那大家很可能什么都不干，就坐等着数据科学家开口，而不是问自己可不可以尝试着通过什么方式去解决。说实话，如果在某家公司内，所有员工都享有一定的自由和权利，能够通过接受特定教育来自行完成分析工作，那么这家公司取得成功的可能性相对来说会更大。

有人说，专业数据科学家的费用实在太高，对于小公司来说肯定请不起。但其实，这根本就不是问题，千万不要将自己的目光局限在这一职位上。首先，你的团队里肯定有人上过统计课程;其次，你需要一位专业开发人员;最后，是敏锐的商业嗅觉，实在不行，公司首席执行官也是人选。所以，关于数据统计分析这个问题，集齐这三个人就可以了。

再退一步说，即便你有钱去请数据专家，那请来之后专家都做些什么呢?你是否为他准备好了足够多的工作所需的材料?要知道，想做深度分析，那肯定是需要大量数据的。如果你的公司刚刚起步，用户数量还不到60人，那数据肯定是不够的。

如果你雇用了一位专业的数据科学家，那千万不要“孤立”他们。让他们多多参加各种会议和讨论，详细解释各种数据分析结果。对于团队中的每一位成员来说，只有当他们充分了解自己在整体环境中的角色职能，才能更加出色高效地完成自己的工作。

作为公司或者团队领导人，你要一直注重强化成员的工程技能、统计知识和商业嗅觉。对于同时具备这三种能力的人，要特别给予关注和重视。当然了，如果你的公司现在还处于早期发展阶段，那最好还是将这三种能力分配在不同人身上吧。只要保证他们互相协作、做好分析工作就行，别想着一步到位，雇用一位全才。

错误四：过度追求最为新潮的工具集

如今这个时代，每天都会出现新工具。但并不是所有工具都适合自家公司，很多时候这些工具到最后都变成了垃圾。作为工具，它们能够吸收你想要传达出去的所有内容，但至于待传达的内容具体是什么，都意味着什么，那就需要你自己去界定了。你要保证这些内容未来不会出现什么变化。

严格说来，没有哪一款工具能够完全清楚地再现某个观点。但同时，有些工具就算是再简单，但只要你采用了合适的方式，那也是管理数据的一大高效方法。对于那些需要考虑资金消耗率的早期公司来说，应该要特别关注这个问题。具体说来，Richardson简单介绍了数据团队应该留心的三点注意事项：

(一)系统的目标规划

这就又回到了第一点，一旦你确定了最为重要的衡量指标，那就放到仪表盘上，这样就算是确定下来，没有人可以更改了。大家都非常清楚地知道，这就是我们要实现的目标。

(二)易于获取的数据

如果你想让团队中的每位成员都学着去形成分析思维，那就必须要保证他们有权利获取数据。如果是市场营销，那就是归因数据;如果是产品研发，那就是客户转化数据;如果是技术工程，那就是正常运行时间数据。除此之外，最为重要的一点，就是鼓励来自不同部门、负责不同事务的人多多互动，彼此交流数据分析所得。

(三)灵活运用的工具

千万不要将目光局限在某一款工具上。最为理想的情况，就是让大家根据自己的喜好和需求，来选择不同的数据工具。在这个问题上，是没有统一答案的。或许有人认为，各团队、各成员都应该使用同一款工具，这样的话分析效果会更好，但其实这是错误的想法。

总结：为何数据问题与产品问题同样重要?

接下来的数据潮流是什么，Richardson无法准确预测。但是，她已经找到了一种有效方式，可以保证自己的数据团队不受外界因素影响，并且专注于自己的本职工作，那就是像领导产品团队一样领导数据团队。

担任HotelTonight产品副总裁三年之后，Richardson应公司联合创始人兼首席执行官Sam Shank的要求，转而担任数据部门负责人。当时，公司发展遇到了瓶颈，核心数据衡量指标无法受到大家的认可。针对这个问题，Richardson发现是因为利益相关者太多，这些人各执己见，对于最为重要的指标和目标始终争执不下。

但好在，她发现数据团队出现的问题与产品团队几乎是一样的，于是便采取了同样的应对措施。

她意识到，自己需要与领导产品团队时一样，做好基础设施建设工作。她介绍说：“我们需要一个待办列表，需要找到一个能够解决问题的人，能够获取用户数据使用反馈的人等等。另外，我们还需要一个质量保证程序，确保自己不会改变数据。”

首先，就像指派项目经理一样，她指派了一位数据产品主管，专门收集公司内各个团队的数据使用情况。其次，她又利用质量保证测试套件，来确保全部数据的质量。

与之前在产品团队的工作相比，Richardson在数据团队发现了一个更为重要的要素，那就是文件记录。为了实现既定目标，你需要一个共享词汇表。从“收益”到“访问”的所有词汇，都必须要囊括在内。

数据分析的成功与否，就取决于这些细节工作。但其实，想要就这些术语意义达成一致，是一件相当困难和复杂的事情。

最后，就是一定要定期弃用。想要组建一支健康运作的数据团队，就一定及时弃用那些不再相关的数据流，将它们从数据库中移除出去。不然，万一调取了错误的数据，那就要出问题了。

用Richardson的话说：“如果有一天，不再有人质疑某一数据的正确性，那就表明你的数据团队运作良好。即便有人不喜欢某些数据，但绝对不会针对准确性提出疑问。”在产品团队中，我们会研发核心功能，并且进行测试。在数据团队中也是一样，既有严格规定和惯用标准的旧数据，也有不太确定、尚在测试的新数据。